Esta publicación está coescrita con Hossein Salami y Jwalant Vyas de MSD.
En la industria biofarmacéutica se abordan rigurosamente las desviaciones en el proceso de fabricación. Cada desviación está minuciosamente documentada y sus diversos aspectos e impactos potenciales se examinan de cerca para ayudar a garantizar la calidad del producto farmacéutico, la seguridad del paciente y el cumplimiento. Para las empresas farmacéuticas líderes, gestionar estas desviaciones de manera sólida y eficiente es crucial para mantener altos estándares y minimizar las interrupciones.
Recientemente, el equipo de ciencia de datos de fabricación digital de Merck & Co., Inc., Rahway, Nueva Jersey, EE. UU. (MSD) reconoció una oportunidad para optimizar aspectos de su proceso de gestión de desviaciones utilizando tecnologías emergentes que incluyen bases de datos vectoriales e inteligencia artificial generativa, impulsadas por servicios de AWS como Amazon Bedrock y Amazon OpenSearch. Este enfoque innovador tiene como objetivo utilizar las desviaciones pasadas de la organización como una fuente de conocimiento amplia, diversa y confiable. Dicho conocimiento puede ayudar potencialmente a reducir el tiempo y los recursos necesarios (y aumentar la eficiencia) para investigar y abordar cada nueva desviación mediante el uso de aprendizajes de casos similares en toda la red de fabricación, manteniendo al mismo tiempo los rigurosos estándares exigidos por los requisitos de Buenas Prácticas de Fabricación (GMP).
Tendencias de la industria: IA en la fabricación farmacéutica
La industria farmacéutica ha recurrido cada vez más a tecnologías avanzadas para mejorar diversos aspectos de sus operaciones, desde el descubrimiento temprano de fármacos hasta la fabricación y el control de calidad. La aplicación de la IA, en particular la IA generativa, para agilizar procesos complejos es una tendencia creciente. Muchas empresas están explorando cómo se pueden aplicar estas tecnologías a áreas que tradicionalmente requieren una gran experiencia humana y una inversión de tiempo, incluida la gestión de desviaciones antes mencionada. Este cambio hacia procesos asistidos por IA no se trata solo de mejorar la eficiencia, sino también de mejorar la calidad y la coherencia de los resultados en áreas críticas.
Solución innovadora: IA generativa para la gestión de desviaciones
Para abordar algunos de los principales desafíos en la gestión de desviaciones, el equipo de ciencia de datos de fabricación digital de MSD ideó una solución innovadora utilizando IA generativa (consulte ¿Cómo pueden los modelos de lenguaje ayudar con las desviaciones e investigaciones en la fabricación de productos farmacéuticos?). El enfoque implica, en primer lugar, crear una base de conocimientos integral a partir de informes de desviaciones anteriores, que se puede consultar de manera inteligente para proporcionar diversos conocimientos, incluida información útil para abordar nuevos casos. Además de los metadatos de rutina, la base de conocimientos incluye importantes datos no estructurados, como observaciones, procesos de análisis y conclusiones, normalmente registrados como texto en lenguaje natural. La solución está diseñada para facilitar la interacción de diferentes usuarios en los sitios de fabricación, con diferentes personas y roles, con estas fuentes de conocimiento. Por ejemplo, los usuarios pueden identificar y acceder de forma rápida y precisa a información sobre incidentes pasados similares y utilizar esa información para formular hipótesis sobre las posibles causas fundamentales y definir resoluciones para un caso actual. Esto se ve facilitado por un mecanismo de búsqueda híbrido y específico de dominio implementado a través de Amazon OpenSearch Service. Posteriormente, la información es procesada por un modelo de lenguaje grande (LLM) y se presenta al usuario en función de su personalidad y necesidad. Esta funcionalidad no sólo ahorra tiempo sino que también aprovecha la gran experiencia y conocimiento de desviaciones anteriores.
Descripción general de la solución: objetivos, riesgos y oportunidades
Las investigaciones de desviaciones han sido tradicionalmente un proceso manual que consume mucho tiempo y requiere un importante esfuerzo humano y experiencia. Los equipos de investigación suelen dedicar muchas horas a recopilar, analizar y documentar información, examinar registros históricos y sacar conclusiones, un flujo de trabajo que no sólo requiere mucha mano de obra sino que también es propenso a posibles errores humanos e inconsistencias. La solución tiene como objetivo lograr varios objetivos clave:
Reducir significativamente el tiempo y el esfuerzo necesarios para la investigación y el cierre de una desviación Proporcionar a los usuarios un fácil acceso a conocimientos relevantes, información histórica y datos con alta precisión y flexibilidad basados en la personalidad del usuario Asegúrese de que la información utilizada para derivar conclusiones sea rastreable y verificable
El equipo también es consciente de los riesgos potenciales, como la excesiva dependencia de las sugerencias generadas por la IA o la posibilidad de que información desactualizada influya en las investigaciones actuales. Para mitigar estos riesgos, la solución limita principalmente la creación de contenido de IA generativa a áreas de bajo riesgo e incorpora supervisión humana y otras medidas de seguridad. Un canal de datos automatizado ayuda a que la base de conocimientos se mantenga actualizada con la información y los datos más recientes. Para proteger la información de fabricación confidencial y de propiedad exclusiva, la solución incluye cifrado de datos y controles de acceso a diferentes elementos.
Además, el equipo ve oportunidades para incorporar nuevos elementos en la arquitectura, particularmente en forma de agentes que pueden manejar solicitudes específicas comunes a ciertos usuarios, como estadísticas de alto nivel y visualizaciones para administradores de sitios.
Arquitectura técnica: enfoque RAG con servicios de AWS
La arquitectura de la solución utiliza un enfoque de generación aumentada de recuperación (RAG) para mejorar la eficiencia, relevancia y trazabilidad de las investigaciones de desviaciones. Esta arquitectura integra múltiples servicios administrados de AWS para crear un sistema impulsado por IA escalable, seguro y con reconocimiento de dominio.
El núcleo de la solución es un módulo de recuperación híbrido (que aprovecha las capacidades de búsqueda híbrida de Amazon OpenSearch Service) que combina búsqueda semántica (basada en vectores) y palabras clave (léxica) para una recuperación de información de alta precisión. Este módulo está construido sobre Amazon OpenSearch Service, que funciona como almacén de vectores. OpenSearch indexa incorporaciones generadas a partir de informes de desviaciones anteriores y documentos relacionados, enriquecidos con metadatos específicos del dominio, como el tipo de desviación, la fecha de resolución, las líneas de productos afectadas y la clasificación de la causa raíz. Esto es tanto para una búsqueda semántica profunda como para un filtrado eficiente basado en campos estructurados.
Para admitir el almacenamiento y la gestión de datos estructurados, el sistema utiliza Amazon Relational Database Service (Amazon RDS). RDS almacena información tabular normalizada asociada con cada caso de desviación, como cronogramas de investigación, personal responsable y otros metadatos operativos. Con RDS puede realizar consultas complejas en dimensiones estructuradas y admite informes, auditorías de cumplimiento y análisis de tendencias.
Una canalización RAG organiza el flujo entre el módulo de recuperación y un modelo de lenguaje grande (LLM) alojado en Amazon Bedrock. Cuando un usuario realiza una consulta, el sistema primero recupera los documentos relevantes de OpenSearch y los datos de casos estructurados de RDS. Estos resultados luego se pasan como contexto al LLM, que genera resultados fundamentados y contextualizados como:
Historiales de investigación resumidos Patrones de causa raíz Incidentes pasados comparables Próximos pasos sugeridos o lagunas de conocimiento
Arquitectura de alto nivel de la solución. Los datos de desviación específicos del dominio se encuentran en Amazon RDS y OpenSearch. Las incrustaciones de vectores de texto junto con metadatos relevantes se encuentran en OpenSearch para admitir una variedad de funcionalidades de búsqueda.
Conclusión y próximos pasos
Esta publicación de blog ha explorado cómo MSD está aprovechando el poder de la IA generativa y las bases de datos para optimizar y transformar su proceso de gestión de desviaciones de fabricación. Al crear una base de conocimientos precisa y multifacética de eventos, desviaciones y hallazgos pasados, la empresa pretende reducir significativamente el tiempo y el esfuerzo necesarios para cada nuevo caso, manteniendo al mismo tiempo los más altos estándares de calidad y cumplimiento.
Como próximos pasos, la compañía planea realizar una revisión exhaustiva de los casos de uso en el ámbito de la calidad farmacéutica y crear un producto generativo a escala empresarial impulsado por IA mediante la integración de fuentes estructuradas y no estructuradas utilizando métodos de esta innovación. Algunas de las capacidades clave que surgen de esta innovación incluyen la arquitectura de datos, el modelado de datos, incluida la curación de metadatos, y componentes generativos relacionados con la IA. De cara al futuro, planeamos utilizar las capacidades de Amazon Bedrock Knowledge Bases, que proporcionarán capacidades de búsqueda y recuperación semánticas más avanzadas y, al mismo tiempo, mantendrán una integración perfecta dentro del entorno de AWS. Si tiene éxito, este enfoque podría establecer un nuevo estándar no sólo para la gestión de desviaciones en MSD, sino también allanar el camino para procesos de calidad de fabricación más eficientes, integrados y basados en el conocimiento, incluidas quejas, auditorías, etc.
Sobre los autores
Hossein Salami es científico de datos senior en la organización de fabricación digital de MSD. Como doctor en Ingeniería Química. Con más de 9 años de experiencia en investigación y desarrollo de procesos y laboratorios, participa en el aprovechamiento de tecnologías avanzadas para crear ciencia de datos y soluciones de IA/ML que abordan aplicaciones y problemas comerciales centrales.
Jwalant (JD) Vyas es el líder de la línea de productos digitales para la cartera de productos digitales de investigaciones de MSD y aporta más de 25 años de experiencia biofarmacéutica en operaciones de calidad, sistema de gestión de la calidad, operaciones de planta, fabricación, cadena de suministro y desarrollo de productos farmacéuticos. Lidera la digitalización de las Operaciones de Calidad para mejorar la eficiencia, fortalecer el cumplimiento y mejorar la toma de decisiones. Con un profundo dominio empresarial y experiencia en tecnología, une la profundidad técnica con el liderazgo estratégico.
Duverney Tavares es arquitecto senior de soluciones en Amazon Web Services (AWS) y se especializa en guiar a las empresas de ciencias biológicas a lo largo de sus viajes de transformación digital. Con más de dos décadas de experiencia en almacenamiento de datos, Big Data y análisis y gestión de bases de datos, utiliza su experiencia para ayudar a las organizaciones a aprovechar el poder de los datos para impulsar el crecimiento y la innovación empresarial.